疲劳驾驶检测技术研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇疲劳驾驶检测技术研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘 要：文中主要介绍了基于三类不同特征获取的具有代表性的疲劳驾驶检测的关键技术，然后详细分析了基于眼部PERCLOS特征的疲劳检测系统，最后提出基于视觉识别技术融合不同特征获取具有非接触性、实时性、简便性的疲劳驾驶检测技术是未来发展的方向。
关键词：PERCLOS；疲劳驾驶检测；Adaboost；实时性
中图分类号：TP39；U471 文献标识码：A 文章编号：2095-1302（2017）04-00-02
0 引 言
随着中国汽车数量日益增长，公路规模不断扩大，交通安全事故频发引起了越来越广泛的关注。据统计，在各类交通事故中，疲劳驾驶导致事故的比例竟达到25%～30%[1]。因此，对疲劳驾驶的关键检测技术进行研究，对于降低交通事故具有重要意义。
综合国内外研究现状，疲劳驾驶检测的关键技术主要是针对三种特征参数的获取[2]。即疲劳驾车时车辆行驶的相关参数，驾驶员疲劳时的生理信号，驾驶员疲劳时表现出的外部特征信息。
1 车辆行为特征获取
基于车辆行为特征获取的疲劳检测方法，可从驾驶员对车辆的操控情况间接判断驾驶员是否处于疲劳状态。该类方法采用线路跟踪或结合驾驶车辆与前车距离等车辆行为表现出的状态进行疲劳检测。行驶车辆的状态参数包括驾驶时间、行驶速度、行驶路线、方向盘转角、相对道路偏移等。检测系统主要通过传感器获取上述参数，基于单片机来判断驾驶员的疲劳状态。Jamal[3]等人采用基于视频分析的方法对弯道以及夜间等复杂情况下车道检测进行了研究。Bertozzi[4]等人利用道路几何形态特征来分析判断车辆运行情况，此方法能够在平坦路面上检测行驶方向。
上述方法应用较少的检测设备，通过车辆行驶中固有的信息来进行疲谂卸希且不会对驾驶员造成干扰，算法简单。但由于受车型、路况以及天气等多变的外在因素影响，疲劳检测的准确度不高，且其抗干扰性、适应性较差。比如车道偏离，报警系统检测驾驶员疲劳状况，只有在车道边沿有白色标志线的高速路段和城区路段才能使用。
2 驾驶员生理特征的获取
获取驾驶员生理特征用于疲劳检测的方法是通过在车内架设相应设备，准确获取驾驶员的相关生理参数，主要包含脑电图（EEG）、心电图（ECG）、肌电图（EMG）[5]等，系统根据相应参数变化情况来判断驾驶员是否产生疲劳。
基于精密的电子仪器设备，将头皮上脑部的电位变化信号放大，并详细记录，获得脑电图。脑电图被称为是测量瞌睡的“金标准”，根据脑电图可以比较容易的判断驾驶员是否处于疲劳状态。脑电图共有α、β、θ、δ四个波段，用来反映大脑不同的状态，疲劳早期，脑电图中θ、δ波形变换不大，在疲劳和极度疲劳阶段，θ、δ以及α波的变化都会加深。当β波有变化时则往往是从疲劳状态逐步恢复清醒。脑电图（EEG）根据各波段的幅度变化情况来判断驾驶员的疲劳程度，因此在使用EEG检测疲劳时，波谱的提取以及分类情况对识别效果有很大影响，目前研究的热点主要是对波段数据的特征提取以及分类。例如使用小波分析提取EEG数据特征；使用多类支持向量机对EEG数据进行分类；分析支持向量机对EEG疲劳检测分类的重要性以及可行性等。EEG信号检测具有较高的可靠性和很好的灵敏度，其抗干扰性也很强，但缺点是成本高、结构复杂、可扩展性较差。
心电图（ECG）利用心电图仪器测出波形图，根据心跳变化情况判断疲劳状况。研究基于心电图的疲劳监测系统将心电图仪器放置在方向盘内，实时获取ECG数据，对信号放大、滤波，得出心跳率并通过图形方式显示，根据心跳率数据判断驾驶员是否产生疲劳。焦昆等人通过研究心率变异性与血压变异性的功率谱分析，综合评价驾驶员的精神疲劳程度。疲劳前后心电信号的时域、频域及非线性特征可以作为疲劳检测的指标之一。
肌电图（EMG）则通过贴于肌肉表面的电极记录肌电信号，肌电信号的频率和幅值都与疲劳程度有关，适合在线驾驶疲劳的监测，目前尚无实用的方法。
对于上述基于驾驶员生理参数的疲劳检测技术，其准确性与生理参数检测仪器有较大关系，比较客观。同时测量一般都需要相应的设备，并且多为接触式的检查方法，多少会给驾驶员带来不便甚至干扰。针对该问题，可以考虑改进检测设备，通过自主开发的硬件检测系统检测出相应数据，进一步推动集实用性和实时性为一体的基于驾驶员生理特征的疲劳检测系统。
3 驾驶员外部特征提取
此类外部特征提取方法一般采用视觉识别方法判断驾驶员在疲劳状态时的脸部物理反应特征，如当处于疲劳驾驶状态时，驾驶者大多有眼睛闭合，频繁打哈欠，频繁低头等特征变化。这些变化特征都为驾驶疲劳监测提供线索，容易形成实用化的监测技术。因此，通过计算机视觉方法，采用图像识别技术，获取判断驾驶员脸部特征并给出响应的预警信息，是当前疲劳驾驶检测研究的热点。
根据获取脸部特征的不同，基于驾驶员外部特征提取的疲劳检测主要包括基于眼部特征的疲劳驾驶监测；基于唇部特征的疲劳驾驶监测；基于眼部和唇部特征融合的疲劳驾驶监测；基于各种脸部特征融合的疲劳驾驶监测。经过实验证明，在实际应用中，基于眼部特征检测的PERCLOS[6]是最为有效的物理指标特征，在很多实验中证明，任何其他脸部物理特征中只要融合眼部PERCLOS特征，就能轻微提高检测实验的正确率，因此，基于PERCLOS特征的疲劳驾驶检测是今后研究的主要趋势。基于眼部PERCLOS特征的疲劳检测系统流程图如图1所示。
系统中的图像预处理模块主要是将从摄像头获得的脸部图像进行灰度化，然后进行直方图均衡化处理。
人脸检测模块一般采用目前相对成熟的基于haar-like[7]特征的Adaboost[8]级联分类器算法。haar-like特征最早是由Papageorigiou等人用于人脸描述，目前常用的是线性特征、边缘特征、点特征（中心特征）、对角线特征。haar-like特征图如图2所示。
每一种特征都是黑色填充区域的像素值之和与白色填充区域的像素值之和的差值。而计算出来的差值就是所谓的Haar-like特征的特征值。大量实验证明，Haar-like特征能很好的反映驾驶员脸部的水平、倾斜、垂直边缘，有效对目标进行检测区别。
Adaboost算法是一种分类器算法，其基本思想是利用大量的分类能力将一般的简单分类器通过一定的方法叠加起来，构成一个分类能力更好的强分类器，再将若干强分类器串联成为级联分类器（cascadeclassifier），获得符合期望的分类器。
将人脸的特征变化用特征向量的形式表示后，就可以采用模式识别方法或直接运用疲劳标准判断驾驶疲劳的状态，即由面部特征的变化，如是否打哈欠及其频率、眨眼频率、眼睛闭合时间等来确定驾驶员是否处于驾驶疲劳状态，最后给出驾驶疲劳的预警。疲劳状态判断模块中基于眼睛睁闭特征来检测疲劳程度的PERCLOS方法是当前最为常用、最有效的方法。
PERCLOS法是指眼睛闭合时间占某一特定时间的百分率，PERCLOS法测量原理如图3所示。开展眼部闭合的研究通常有三种标准，即眼睛闭合70%，80%和完全闭合，其中以80%标准的效果最好。研究结果表明，PERCLOS可以反应缓慢的眼皮]合而非快速眨眼，有效反应精神的疲劳状态。
对于上述基于驾驶员外部特征提取的疲劳检测，其非接触性可大大减少对驾驶员的干扰。如果将疲劳检测系统嵌入智能手机，利用手机前置摄像头获取驾驶员脸部特征，则可方便获得准确度高的检测结果，且通用性较好。缺点是容易受到光线以及驾驶员个体因素的影响。
4 结 语
针对上述基于驾驶员自身特征的疲劳检测方法和对基于车辆行为的疲劳检测方法，由于驾驶环境差异以及从驾驶舒适度的角度来说，目前基于视觉识别疲劳的检测方法比基于驾驶生理参数的方法更受关注。疲劳检测研究取得了突破性进展，但目前仍然存在一些有待解决的问题，如采用单一种类算法的检测方法已难以取得进一步突破，而且直接提取的表面特征数据类型有限且冗余。因此除了用先进的信号处理方法提取最能表征疲劳的特征参数之外，还要采用多种算法融合，多种信息融合的方法，将多个疲劳特征参数结合起来以对驾驶员的疲劳状况进行检测，克服空间、光照等影响，提高检测算法的实时性及准确度。
同时疲劳检测从模拟驾驶走向真实环境就必须考虑检测设备的性价比。在不干扰驾驶员驾驶行为的基础上，低廉、有效、便携的基于智能手机的疲劳驾驶监测系统是今后研究的重点。系统将会克服驾驶员个体差异与驾驶环境差异，对提高检测的实时性、准确性、鲁棒性提出了更高的要求。
参考文献
[1]公安部交通管理局.中华人民共和国道路交通管理年报（2000―2011）[R].公安部交通管理局，2001-2011.
[2] Ivan G Daza，Luis M Bergasa，Sebastian Bronte，et al.Fusion of Optimized Indicatorsfrom Advanced Driver Assistance Systems（ADAS）for Driver Drowsiness Detection[J].Sensors，2014，14（1）：1106-1131.
[3]王奕直，周凌霄，孔万增.基于Adaboost的疲劳驾驶眨眼检测[J].杭州电子科技大学学报，2013（4）：35-38.
[4]柳露艳.驾驶员疲劳驾驶检测系统的研究与实现[D].上海：东华大学，2014.
[5]李立凌.基于人眼定位技术的疲劳驾驶检测方法[D].成都：电子科技大学，2012.
[6]肖怡晨.驾驶状态监测技术研究[D].南京：南京理工大学，2014.
[7]刘金金，林庆.基于多参数的驾驶员疲劳检测系统[J].无线通信技术，2014，23（2）：47-51.
[8]巩晓倩，蒲亦非，杨智勇，等.基于有限状态自动机的人眼开度PERCLOS实现算法[J].计算机应用研究，2014，31（1）：307-310.